跳到正文
10月9日 · 周五

全部论文

找到 8 篇
筛选4

攻击类型

越狱8提示注入1模型篡改3提取与窃取4检测规避3

攻击技术

推理链操控1

模型自身风险

失准与价值偏离2拒答失当1

防御类型

推理时干预4检测与过滤1监控与审计2

影响

有害内容6输出被操纵1可用性与可靠性1

系统形态

模型与 API8

攻击面/入口

用户输入8

层

提示层15模型层8应用层9训练与数据层3

系统组件

护栏与评审1监控器3推理链1

被测模型厂商

Qwen（阿里）12Google8Meta8Mistral5其他13
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 643 篇还没打标签，不在筛选结果里。
攻击类型：越狱层：模型层被测模型厂商：NVIDIA被测模型厂商：Meta清除全部

另有 643 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 评测与基准arXiv 2610.10276

    PatchBench 提出激活补丁局部评测协议，揭示越狱修复的附带损伤

    提出 PatchBench-Local 协议，评测激活补丁修复越狱的局部附带损伤

    arXiv
    2610.10276
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Llama-3.1-8B-Instruct、Llama-4-Scout、Qwen2.5-3B-Instruct 等 8 个

    摘要论文提出 PatchBench 与局部评估协议，揭示了激活补丁在全局能力无损下仍存局部良性退化。

    深度解读完整解读
  2. 分析与理论arXiv 2609.36477

    研究发现护栏模型在基座模型不确定处过度自信

    诊断护栏相对基座在对抗提示上的置信失校

    arXiv
    2609.36477
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Llama-Guard 7B、Llama-Guard-2 8B、Llama-Guard-3 8B 等 10 个
    摘要对抗包装使 guard 高置信漏检，而对应 base 在同一输入上常更不确定。

    诊断性分析：五个提示词分类 guard 的置信度，在清洁输入上可以较校准，在越狱包装后则变成高置信度的错误判定。

    深度解读完整解读
  4. 可解释性arXiv 2609.04721

    研究：拒答方向可跨架构迁移，安全工具可按写入位置重新估计

    在写入点定位拒答方向，经刚性旋转跨架构迁移并门控放大

    arXiv
    2609.04721
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Llama-3.1-8B、Falcon-Mamba-7B、Falcon3-Mamba-7B 等 8 个
    摘要拒答方向可经刚性旋转跨架构迁移，但必须在各架构的写入点读取。

    作者研究拒答表示是否随架构改变，结论是表示共享、读取位置随架构变。

    深度解读完整解读
  5. 风险行为arXiv 2609.08186

    论文揭示大推理模型的对齐崩溃并提出 Reasoning Trap 越狱范式

    揭示推理加深引发的对齐坍塌，用 Reasoning Trap 放大越狱

    arXiv
    2609.08186
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Llama2-7B、Llama2-13B、Qwen3-8B 等 8 个
    摘要更深推理提升题目准确率，同时提高扰动下的相对损失。

    作者研究扩展推理是否以对齐稳健性为代价，提出 ALR、RT 与 RRA。。

    深度解读完整解读
已经到底了